261 articoli
La fisica dei dati analitici esplora come la teoria fisica si fonde con l'analisi avanzata dei dati per rivelare nuovi modelli nella natura. Questo campo trasforma osservazioni complesse in intuizioni chiare, unendo leggi fondamentali a strumenti statistici moderni per decifrare fenomeni che vanno dalle particelle subatomiche alla struttura dell'universo.
Su Gist.Science, ogni nuovo preprint in questa categoria proveniente da arXiv viene elaborato con cura. Offriamo sia riassunti in linguaggio semplice per i curiosi, sia analisi tecniche dettagliate per gli esperti, rendendo la ricerca d'avanguardia accessibile a tutti senza perdere rigore scientifico.
Di seguito troverete le pubblicazioni più recenti in questo affascinante settore, pronte per essere esplorate e comprese.
Questo lavoro presenta QUnfold, un framework open-source che riformula il problema dell'unfolding in fisica delle alte energie come un'ottimizzazione quadratica (QUBO), permettendo l'uso di solutori classici e quantistici ibridi per ottenere ricostruzioni accurate delle distribuzioni fisiche.
Questo articolo presenta TRec, un framework basato sulla tomografia a scattering di muoni e informato dalla fisica, che permette di rilevare con elevata sensibilità la mancanza di combustibile nei microreattori sigillati ricostruendo le traiettorie curve dei muoni e mappando la densità di scattering, superando significativamente le prestazioni dei metodi tradizionali come PoCA.
Questo tutorial presenta un approccio bayesiano in due fasi per quantificare l'incertezza nei dati di compressione da shock lineari, generando multiple curve di Hugoniot coerenti con le misurazioni sperimentali e dimostrando la superiorità del metodo rispetto alla regressione ai minimi quadrati e al bootstrapping su dati reali di argon, rame e nichel.
Il paper presenta Noise2Ghost, un nuovo metodo di ricostruzione per l'imaging fantasma basato su deep learning auto-supervisionato che elimina la necessità di dati di riferimento puliti, offrendo una riduzione del rumore superiore e permettendo applicazioni in scenari a bassa luminosità come l'imaging a raggi X di campioni sensibili.
Il documento presenta un framework di rete neurale bayesiana incorporata nella fisica (PE-BNN) che, integrando conoscenze nucleari a priori e ottimizzando i parametri tramite il criterio WAIC, prevede con alta precisione le rese dei prodotti di fissione dipendenti dall'energia, catturando sia le strutture fini legate agli effetti di shell che le tendenze globali.
Il paper propone SKANODEs, un framework che integra Kolmogorov-Arnold Networks nelle Neural ODE per apprendere dinamiche non lineari interpretabili, recuperando stati fisici latenti e scoprendo automaticamente le equazioni simboliche governanti con prestazioni superiori rispetto ai metodi tradizionali.
Questo lavoro presenta l'uso di una rete neurale profonda per migliorare la ricostruzione della posizione in un array di fotomoltiplicatori al silicio (SiPM) a gradiente lineare, ottenendo una risoluzione e una linearità superiori rispetto ai metodi tradizionali e aumentando il numero di aree risolvibili fino a 12,1 volte.
Questo studio utilizza tecniche di visualizzazione e sonificazione su dati multifrequenza per analizzare la variabilità di diversi blazar, dimostrando come questo approccio multimodale possa rivelare pattern nascosti e promuovere l'inclusività nella comunicazione scientifica.
Questo articolo analizza la discrepanza tra le dinamiche temporali continue teoriche e le implementazioni sperimentali discrete nelle macchine di Ising basate su feedback di misura, proponendo e verificando sperimentalmente un metodo per ridurre la sensibilità alla scelta degli iperparametri in tali architetture.
Questo studio analizza le memorie e le scale temporali multiple nella correlazione del mercato S&P500, dimostrando che un'equazione di Langevin generalizzata con kernel di memoria migliora la previsione delle correlazioni e supporta l'esistenza di stati di mercato localmente stabili guidati da scale temporali lente nascoste.